CN117217084A - 一种基于深度学习的结构滞回模型预测方法 - Google Patents
一种基于深度学习的结构滞回模型预测方法 Download PDFInfo
- Publication number
- CN117217084A CN117217084A CN202311171054.XA CN202311171054A CN117217084A CN 117217084 A CN117217084 A CN 117217084A CN 202311171054 A CN202311171054 A CN 202311171054A CN 117217084 A CN117217084 A CN 117217084A
- Authority
- CN
- China
- Prior art keywords
- network
- database
- model
- hysteresis
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 230000008878 coupling Effects 0.000 claims abstract description 8
- 238000010168 coupling process Methods 0.000 claims abstract description 8
- 238000005859 coupling reaction Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 13
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 229910000831 Steel Inorganic materials 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011365 complex material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 239000011178 precast concrete Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的结构滞回模型预测方法，属于深度学习和结构性能预测技术领域，所述结构滞回模型预测方法首先对结构进行数字孪生建模，对模型进行仿真分析，并构建数据库A，对结构进行实际加载试验，实时进行拍摄并记录，构建数据库B；其次，分别利用两个数据库训练出对应的网络A和网络B后选择相同结构输入数据再次输入，得到预测结果；最后，将预测结果和结构实际试验得到的滞回曲线构成的数据库C带入新的网络后，对网络A和网络B进行权重赋予，得到最终的耦合网络。本发明所提供的基于深度学习的结构滞回模型预测方法减少了试验成本，提高了结构滞回模型的预测精度，具备完善的程序功能，减少了人力投入。
Description
技术领域
本发明属于深度学习和结构性能预测技术领域，具体涉及一种基于深度学习的结构滞回模型预测方法。
背景技术
在结构投入使用前进行结构滞回模型试验可以有效地检测结构的性能，是新型结构在建筑项目中应用的必经阶段。而基于深度学习的滞回模型预测可以减少试验的经济投入，大大降低得到滞回模型的成本。结构的设计精度和投入应用的效率得到了提升。
现有技术中，基于深度学习的预测多采用人工自主参数选择的方法，效率较低。同时，采用单一的网络类型对滞回模型进行预测所得结果精度较低。进一步的，目前所构建的网络模型多是通过仿真模型训练得到的，虽然泛化性能好，但不能与实际试验数据进行结合。
发明内容
鉴于现有技术中的上述缺陷或不足，本发明旨在提供一种基于深度学习的结构滞回模型预测方法，该种方法对仿真分析、深度学习和实际试验数据采集进行集成，在保证网络泛化性能的前提下，采取多种网络结构对结构滞回模型进行预测，并以实际数据对网络模型进行了矫正。
为实现上述目的，本发明实施例采用如下技术方案：
对结构进行数字孪生建模，获得精确的数字化结构模型后对模型进行仿真分析获得对应的仿真滞回曲线作为数据库A的输出变量，以数字孪生模型为基础进行参数选择，确定数字模型参数后合并加载制度作为数据库A的输入变量，两者共同构成数据库A；
进行结构实际试验，并实时进行拍摄，留存高清试验图片，以高清试验图片和试验加载制度作为数据库B的输入，以仿真分析得到仿真滞回曲线作为数据库B的输出，两者共同构成数据库B；
利用数据库A训练网络A，并判断准确率达标程度，若准确率不达标则重新进行参数选择，若达标则导出网络模型A；
利用数据库B训练网络B，导出训练后的模型得到网络模型B；
选取相同结构输入数据，分别利用网络模型A和网络模型B进行预测，将网络A预测结果和网络B预测结果作为数据库C的输入，同时以该结构的结构实际试验所得的真实滞回曲线作为数据库C的输出，两者共同构成数据库C；
利用数据库C训练参数网络；对比预测结果后进行参数网络选择，选择最优网络将权重赋予给网络A和网络B，生成耦合网络。
作为本发明的一个优选实施例，对所述结构进行数字孪生建模时，采取激光扫描的方式获取物理信息，包括整体结构的跨度、高度及结构所包含的构件的长宽高等，同时材料属性也被记录并用以数字孪生建模，以保证数字孪生模型的精确性。
作为本发明的一个优选实施例，在构建所述数据库A前进行参数选择时应选择影响滞回模型的参数，包括但不限于几何参数和材料属性，最终参数的确定通过迭代来实现，每次迭代剔除一项参数，以得到预测准确率最高时的参数。
作为本发明的一个优选实施例，所述高清试验图片至少包含正视图和侧视图，进一步的，对于结构复杂的情况增加俯视图和斜视图以扩展网络结构，增加网络的精度。
作为本发明的一个优选实施例，因滞回模型的实际试验测量与时间序列有关，所述的网络A选用长短期记忆网络，用于处理与时间序列有关的数据。因数据库B中所包含数据图片数据，所述的网络B选用循环卷积网络，用于处理与图片输入。进一步的在保证模型精度的情况下可以选择其它深度学习网络。
作为本发明的一个优选实施例，在训练所述参数网络时，应训练不低于两种学习模式类型的网络，本实施例选择有监督学习和无监督学习，进一步的可加入半监督学习和强化学习，以选择最优参数网络进行参数赋予。
作为本发明的一个优选实施例，最终生成的所述耦合网络用于精准预测结构的滞回模型。进一步的，在调整训练网络的输出后，网络功能还包括骨架曲线和滞回规则的结构完整恢复力模型预测。
综上所述，本发明实施例的有益效果：以迭代法进行参数选择，降低了人力成本，提高了预测精度。在仿真分析的基础上；利用长短期记忆网络和循环卷积网络两种深度学习网络对滞回曲线模型进行预测，降低了单一网络泛化性能不足的问题；以结构实际试验的真实滞回曲线结果为标准对两种深度学习网络进行耦合，在保证方法泛化性能的基础上提高了结构滞回性能的预测的精度；具备完善的程序功能，减少了试验成本。
附图说明
图1所示的是一种基于深度学习的结构滞回模型预测方法；
图2所示的是不同数据库的数据结构。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
请参考图1和图2所示的一种基于深度学习的结构滞回模型预测方法的示意图。
对结构进行数字孪生建模，获得精确的数字化结构模型后对模型进行仿真分析获得对应的仿真滞回曲线作为数据库A的输出变量，以数字孪生模型为基础进行参数选择，确定数字模型参数后合并加载制度作为数据库A的输入变量，两者共同构成数据库A；
进行结构实际试验，并实时进行拍摄，留存高清试验图片，以高清试验图片和试验加载制度作为数据库B的输入，以仿真分析得到仿真滞回曲线作为数据库B的输出，两者共同构成数据库B；
利用数据库A训练网络A，并判断准确率达标程度，若准确率不达标则重新进行参数选择，若达标则导出网络模型A；
利用数据库B训练网络B，导出训练后的模型得到网络模型B；
选取相同结构输入数据，分别利用网络模型A和网络模型B进行预测，将网络A预测结果和网络B预测结果作为数据库C的输入，同时以该结构的结构实际试验所得的真实滞回曲线作为数据库C的输出，两者共同构成数据库C；
利用数据库C训练参数网络；对比预测结果后进行参数网络选择，选择精度最高的参数网络，提取精度最高的参数网络内部网络A预测结果和网络B预测结果所对应的权重，将最优网络将权重赋予给网络A和网络B，生成耦合网络；通过利用数字模型中参数的学习方法和利用图片进行学习两种不同的学习方法，补足了数字模型参数选择时细节几何参数无法全部选择的不足，完善了高清实验图片在实际拍摄时受帧率无法令图片与时间序列同步的限制，避免了单一学习方法的不稳定性，增加了预测结果精度。
作为本发明的一个优选实施例，对所述结构进行数字孪生建模时，采取三维激光扫描的方式获取物理信息，包括整体结构的跨度、高度及结构所包含的构件的长宽高等，同时材料属性通过人工输入也被记录并用以数字孪生建模；进一步的，当结构包含多种复杂材料属性时，利用结构细节图片和网络数据库材料图片进行RGB提取和灰度处理，训练子神经网络进行材料属性判别；通过三维激光扫描的方法可以收集人工无法收集到的几何参数的细节，同时配合材料属性输入，保证数字孪生模型的精确性。
作为本发明的一个优选实施例，在构建所述数据库A前进行参数选择时应选择影响滞回模型的参数，包括但不限于几何参数和材料属性，最终参数的确定通过迭代来实现，可以降低人力成本，提高预测精度，每次迭代剔除一项参数，通过剔除后参数的耦合分析，确定更新后的滞回模型的拟合程度的改善程度；通过剔除后参数的解耦分析，确定不同参数对滞回曲线的影响程度，得到下一次迭代剔除的参数选择，最终得到预测准确率最高时的参数选择。
作为本发明的一个优选实施例，所述高清试验图片至少包含正视图和侧视图，图片获取间隔根据所采用采集设备确定，频率采样频率不低于0.5，即不低于每秒两张，所获取图片应进行灰度处理压缩信息量，提升运算速度；进一步的，对于结构复杂的情况，例如，结构采用钢节点连接预制混凝土梁柱时，钢节点连接部位呈现不同的凸凹部分，仅靠正视图和侧视图无法建立其完整的几何模型，网络在学习过程中信息的缺失会导致模型产生错误的进化方向，增加俯视图、斜视图和局部细节图以扩展网络结构，获取钢节点连接部位钢连接件凸凹部位的局部几何特征，确保网络在通过图片进行学习时几何信息的完整性，保持网络的精度；进一步的，当细节图较多时，包含变量不高于两个的细节图在进行灰度处理后再次进行二值化处理，在保证信息序列完善的基础上最大限度的提升运算速度。
作为本发明的一个优选实施例，因滞回模型的实际试验测量与时间序列有关，所述的网络A选用长短期记忆网络，用于处理与时间序列有关的数据。因数据库B中所包含数据图片数据，所述的网络B选用循环卷积网络，用于处理图片输入，通过网络分析和人工判别确定网络A预测结果和网络B预测结果在参数网络中的权重，赋予网络A和网络B，实现两种网络的最优匹配；同时，不同的网络同时进行预测降低了单一网络泛化性能不足的问题，进一步的在保证模型精度的情况下可以选择其它深度学习网络。
作为本发明的一个优选实施例，在训练所述参数网络时，应训练不低于两种学习模式类型的网络，本实施例选择有监督学习和无监督学习，当参数网络训练后预测精度不足时，进一步的加入半监督学习和强化学习，通过多种模式的学习来增加参数网络选择的基数，以确定最优参数网络进行参数赋予。基于结构实际试验矫正网络模型，在保证方法泛化性能的基础上提高了结构滞回性能的预测的精度。
作为本发明的一个优选实施例，最终生成的所述耦合网络用于精准预测结构的滞回模型；进一步的，在调整训练网络的输出后，网络功能还包括骨架曲线和滞回规则的结构完整恢复力模型预测；该实施例具备完善的程序功能，减少了试验成本。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种基于深度学习的结构滞回模型预测方法，其特征是，包括以下步骤：
对结构进行数字孪生建模，获得精确的数字化结构模型后对模型进行仿真分析，获得对应的仿真滞回曲线作为数据库A的输出变量，以数字孪生模型为基础进行参数选择，确定数字模型参数后合并加载制度作为数据库A的输入变量，两者共同构成数据库A；
进行结构实际试验，并实时进行拍摄，留存高清试验图片，以高清试验图片和试验加载制度作为数据库B的输入，以仿真分析得到的仿真滞回曲线作为数据库B的输出，两者共同构成数据库B；
利用数据库A训练网络A，并判断准确率达标程度，若准确率不达标则重新进行参数选择，若达标则导出网络模型A；
利用数据库B训练网络B，导出训练后的模型得到网络模型B；
选取相同结构输入数据，分别利用网络模型A和网络模型B进行预测，将网络A预测结果和网络B预测结果作为数据库C的输入，同时以该结构的结构实际试验所得的真实滞回曲线作为数据库C的输出，两者共同构成数据库C；
利用数据库C训练参数网络；对比预测结果后进行参数网络选择，选择最优网络将权重赋予给网络A和网络B，生成耦合网络。
2.根据权利要求1所述的一种基于深度学习的结构滞回模型预测方法，其特征在于：
对所述结构进行数字孪生建模时，采取激光扫描的方式获取全面的物理信息，以保证数字孪生模型的精确性。
3.根据权利要求1所述的一种基于深度学习的结构滞回模型预测方法，其特征在于：
在构建所述数据库A前进行参数选择时应选择影响滞回模型的参数，每次迭代剔除一项参数，最终得到预测准确率最高时的参数。
4.根据权利要求1所述的一种基于深度学习的结构滞回模型预测方法，其特征在于：
所述高清试验图片至少包含正视图和侧视图。
5.根据权利要求1所述的一种基于深度学习的结构滞回模型预测方法，其特征在于：
所述的网络A为长短期记忆网络，所述的网络B为循环卷积网络。
6.根据权利要求1所述的一种基于深度学习的结构滞回模型预测方法，其特征在于：
在训练所述参数网络时，应训练不低于两种学习模式类型的网络，选择最优网络进行参数赋予。
7.根据权利要求1所述的一种基于深度学习的结构滞回模型预测方法，其特征在于：
最终生成的所述耦合网络用于精准预结构的滞回模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311171054.XA CN117217084A (zh) | 2023-09-12 | 2023-09-12 | 一种基于深度学习的结构滞回模型预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311171054.XA CN117217084A (zh) | 2023-09-12 | 2023-09-12 | 一种基于深度学习的结构滞回模型预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117217084A true CN117217084A (zh) | 2023-12-12 |
Family
ID=89047468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311171054.XA Pending CN117217084A (zh) | 2023-09-12 | 2023-09-12 | 一种基于深度学习的结构滞回模型预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117217084A (zh) |
-
2023
- 2023-09-12 CN CN202311171054.XA patent/CN117217084A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101430B (zh) | 用于图像目标检测处理的锚框生成方法及轻量级目标检测方法 | |
| CN111353413A (zh) | 一种输电设备低漏报率缺陷识别方法 | |
| CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
| CN110728656A (zh) | 基于元学习的无参考图像质量数据处理方法、智能终端 | |
| CN116137059B (zh) | 基于多层次特征提取网络模型的三维点云质量评价方法 | |
| CN113947133A (zh) | 小样本图像识别的任务重要性感知元学习方法 | |
| CN116089627A (zh) | 一种基于大数据技术的知识图谱构建方法 | |
| CN111626358A (zh) | 一种基于bim图片识别的隧道围岩分级方法 | |
| CN113781385B (zh) | 用于大脑医学影像自动分类的联合注意力图卷积方法 | |
| CN111832479B (zh) | 基于改进的自适应锚点r-cnn的视频目标检测方法 | |
| CN116682043B (zh) | 基于SimCLR无监督深度对比学习异常视频清洗方法 | |
| CN117217084A (zh) | 一种基于深度学习的结构滞回模型预测方法 | |
| CN116109621B (zh) | 一种基于深度模板的缺陷检测方法和系统 | |
| CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
| CN112364901A (zh) | 一种基于lgb算法的诈骗电话识别方法 | |
| CN110781755A (zh) | 一种建筑钢筋智能识别计量方法及系统 | |
| CN116416161A (zh) | 一种改进生成对抗网络的图像修复方法 | |
| CN113886992B (zh) | 一种基于多保真度数据的数字孪生建模方法 | |
| CN114049569B (zh) | 一种深度学习模型性能评价方法及系统 | |
| CN109978832A (zh) | 一种基于边缘重建的双绞线绞距检测方法 | |
| CN115880477A (zh) | 一种基于深度卷积神经网络的苹果检测定位方法与系统 | |
| CN111369124A (zh) | 一种基于自生成全局特征和注意力的图像美学预测方法 | |
| CN114882558B (zh) | 基于人脸识别技术的学习场景实时身份认证方法 | |
| CN117491357B (zh) | 一种涂料的质量监测方法及系统 | |
| CN117041625B (zh) | 一种超高清视频图像质量检测网络构建方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |